“不少AI企業(yè)追求“大而全”，面臨商業(yè)上的挑戰(zhàn)和市場規(guī)模的限制。盡管深度推理具有長遠價值，但敢于投入和堅持的企業(yè)為數(shù)不多。 ”

@科技新知 原創(chuàng)

作者丨林書 編輯丨蕨影

最近，字節(jié)在AI方面又搞了個大新聞。

一個字節(jié)的實習生，因為對團隊資源分配不滿，用惡意代碼把模型訓練過程給投了“毒”，字節(jié)這邊損失不小。

盡管“資源分配問題”這個說法還沒完全坐實，但既然一個實習生，都能隨便對訓練中的模型下毒手了，那至少說明，字節(jié)對文本模型的訓練方面重視度不夠，因此才會出現(xiàn)“把關不嚴”的情況。

與文本大模型相比，字節(jié)在視頻方向上可謂打得火熱，推出了兩款最新的視頻模型PixelDance1和Seaweed2。

這種資源上的傾斜，反映的是國內(nèi)大廠在當下LLM發(fā)展岔路上的關鍵分歧：算力資源有限的情況下，未來的大模型到底是要往視頻方向沖，還是繼續(xù)在文本上發(fā)力？

這樣的分歧，在OpenAI推出了能搞深度推理的o1模型后，顯得愈發(fā)棘手和關鍵。

01.

AI視頻硬傷，遭遇市場冷眼

在這樣的關鍵抉擇上，百度CEO李彥宏前兩天放了個大招，直接撂話說“百度不碰Sora類的視頻生成”。

原因就在于，在百度看來，現(xiàn)在的視頻大模型還不成氣候，離能真正進行商用還早著呢。用李彥宏的話來說，“10年、20年都可能拿不到業(yè)務收益”。

而這樣的判斷，也并非空穴來風。

據(jù)SimilarWeb統(tǒng)計，位居全球前列的AI視頻生成企業(yè)Luma AI網(wǎng)站在9月的總訪問量僅為1181萬次，環(huán)比下跌38.49%。

同樣地，身為AI視頻生成領域的“老大哥”的Runway在9月流量僅755.8萬次，不及ChatGPT的1/400；

用戶不買賬，首先得從產(chǎn)品上找原因。

以國內(nèi)AI視頻生成模型為例，盡管從今年2月Sora出現(xiàn)后，國內(nèi)的大廠如快手、字節(jié)、智譜清言等，都推出了各自的視頻模型，但平心而論，目前所有的視頻模型都存在兩個難以掩蓋的短板：

其一，是難以做到成本、質(zhì)量二者兼具。

  圖源：可靈

以快手的可靈為例，雖然其生成的效果，在國內(nèi)視頻模型中已算翹楚，但從成本上來說，其生成一個5秒的視頻，需消耗10個靈感值（1靈感值=1元），生成時間大約為2～5分鐘。

按照這樣的成本估算，如果要生成一分鐘的短視頻，用戶至少要花費十余元，等上半個小時左右。

而且，這還沒算上由于AI理解不準確，需要重新生成的情況，實際成本只會更高。

  圖源：可靈

相較之下，身為國內(nèi)“AI六小虎”之一的智譜清言，雖然開放了可免費使用的視頻模型“清影”，但其生成效果實在不敢恭維，其生成的畫面有一股濃濃的“90年代3D動畫”的感覺。

況且，雖然免費了，但其生成時長還是沒打下來，用戶生成一個5秒的片段，照樣要等3~5分鐘。

  圖源：智譜清言

AI視頻生成的另一大短板，便是那股始終揮之不去的“AI”味。

這幾乎是所有視頻模型的通病。

無論人物或物體的外觀，看起來多么真實、多么形似，可觀眾總覺得哪兒不對勁兒。有一種活生生的“恐怖谷”效應，看著就覺得渾身不自在。

說白了，這就是一種技術不到位的表現(xiàn)。

因為大多數(shù)AI視頻生成算法，背后雖然在很努力地模仿現(xiàn)實世界的物理規(guī)則，模仿人和動物的運動方式，但仍無法完全理解數(shù)據(jù)背后的語義和情感。因此生成的內(nèi)容，在某些細節(jié)上顯得缺乏“靈性”。

  圖源：可靈

而這明顯的“AI”味，也成了當下大眾對AI作品懷有偏見的重要原因。

由于上述短板的存在，目前火爆于各大視頻平臺的AI視頻，大都以“玩梗”“搞笑”為主，因為只有這類“不正經(jīng)”的視頻，才不會對生成的成本、效果有太高要求。

更悲哀的是，當下的AI視頻賽道雖未大火，但早早面臨“未火先卷”的情況，多家AI視頻生成廠商都對功能進行密集迭代，但大多是“錦上添花”而缺乏躍進式體驗升級。

以快手的可靈為例，其推出的運鏡控制、高清生成、圖生視頻等功能，國內(nèi)的各大視頻生成類AI，例如智譜的清影、字節(jié)的即夢也都有。

  圖源：可靈

而這種同質(zhì)化的、聊勝于無的功能，并未能給用戶體驗帶來大幅度的改善。

說到底，視頻生成類賽道的內(nèi)卷，本質(zhì)上是現(xiàn)在的LLM遇到瓶頸后，一種為了延續(xù)“AI故事”的無奈之舉，但悲哀的是，這樣的故事目前還沒有一個大廠能講好。

02.

數(shù)據(jù)枯竭下，深度推理或是救星

在各種訓練數(shù)據(jù)行將耗盡的當下，LLM的scaling law的神話該怎樣繼續(xù)？

在OpenAI 的o1模型發(fā)布后，人們意識到，這個問題的答案，就是強化學習。

對此，月之暗面的CEO楊植麟分析道：決定這一代AI技術的上限，核心是文本模型能力的上限。

從技術上來看，楊植麟此言非虛。

因為即使在多模態(tài)任務中，文本層面的理解和推理也是必不可少的。以Sora為例，其訓練數(shù)據(jù)包含了大量“視頻-文本對”，每個視頻片段都有對應的詳細文本描述，這種配對方式，讓模型能夠建立文本語義和視覺表現(xiàn)之間的映射。

同時，倘若視頻模型要想取得更大進展，例如發(fā)展出完整的敘事結構，就要求文本模型有執(zhí)行復雜邏輯推理的能力。

如果文本模型無法規(guī)劃復雜敘事，視頻模型也難以突破這個上限。

因此，LLM未來的方向?qū)嶋H上已十分明了：文本模型決定了多模態(tài)的上限，而深度推理又決定了當前文本模型的上限。

正因如此，在o1推出后，國內(nèi)的諸多大廠如字節(jié)、智譜清言、月之暗面等，都紛紛在自家的大模型中開通了“深度搜索”功能，這算是深度推理功能的聯(lián)網(wǎng)版本。

但從實際表現(xiàn)來看，并非所有廠商都在這方面表現(xiàn)得盡如人意。

在這里，我們以一個較為考驗深度推理和分析能力的問題，來對字節(jié)、智譜清言、月之暗面各自的大模型進行一番對比。

這個問題是：分析近三年全球智能手機市場的發(fā)展趨勢，包括各大品牌的市占率變化、技術創(chuàng)新，以及消費者偏好的變化。

  圖源：豆包首先測評的，是字節(jié)的豆包大模型。

可以看到，雖然在整體的水準上，確實有一些切中要害的關鍵點，但在進行回答時，整體的內(nèi)容、結構顯得十分臃腫、凌亂，并沒有做太多結構化、精細化的處理，使用戶在閱讀時，仍感到很大的閱讀負擔和壓力。

  圖源：智譜清言

接下來測評的，是智譜清言的智譜AI。

可以看到，與豆包相比，智譜AI在進行深度推理時，結構明顯比豆包更清晰、更有條理，且針對蘋果、三星、vivo等不同的品牌，具體列出了不同的市場表現(xiàn)、市場份額。

但從整體上來看，每一部分的總結與分析，仍顯得過于簡略。

  圖源：KIMI

最后登場的，是月之暗面的kimi。

在開啟深度搜索功能后，Kimi在信息的分析、總結上，表現(xiàn)出了更加細致、深入的特點，不僅以不同的年份，詳細展示了不同品牌在市場中的份額變化，以凸顯趨勢，且在對技術創(chuàng)新方面進行分析時，十分具體、細致地展示了不同年份中，不同品牌推出的具體技術。

綜合來看，Kimi在進行復雜問題分析時，其推理的深度、精細度，要顯著優(yōu)于豆包、智譜AI。

由此可見，目前在“深度推理”這一頗為考驗LLM“內(nèi)功”的分水嶺上，國內(nèi)廠商已經(jīng)顯示出了顯著的差距。

03.

追求大而全，陷入戰(zhàn)略困境

如前所述，自從OpenAI推出o1后，當下大模型的發(fā)展，已經(jīng)到了一個進行戰(zhàn)略選擇的分岔口。

而在這關鍵的戰(zhàn)略分叉點上，國內(nèi)的部分大廠如字節(jié)，由于自身布局于短視頻業(yè)務的巨大慣性，并未在深度推理方向進行深耕，只是靠著低價競爭，以及“多而不精”的龐雜功能，才硬擠上國內(nèi)大模型排行榜的頭部。

  圖源：豆包

據(jù)火山引擎總裁譚待介紹，“豆包主力模型在企業(yè)市場的定價只有0.0008元/千Tokens，比行業(yè)便宜99.3%。”

但一味地降價追求“性價比”，某種程度上透露出的是自身模型缺乏核心競爭力的表現(xiàn)。

與字節(jié)類似，“AI六小虎”之一的智譜清言，也走上了一條追求“大而全”的路線。簡言之，目前的智譜，也成了那種“繪畫、視頻、搜索都要一攬子拿下”的AI企業(yè)。

  圖源：智譜清言

但實際上，這種“大而全”的追求，反映的是一種商業(yè)上的“困獸猶斗”。

這是因為，目前國內(nèi)企業(yè)主對軟件購買意愿偏低，To B端大模型給企業(yè)帶來的價值仍處在割裂狀態(tài)，2023年國內(nèi)大模型市場規(guī)模僅有50億元，2024年也僅增加到120億元。

在B端市場狹窄、C端又尚未打開的情況下，任何做大模型的企業(yè)，唯有不停地融資、燒錢，橫向地擴展用戶，才能讓自己的模型活下來。

但這種跑馬圈地的邏輯，本質(zhì)上仍是互聯(lián)網(wǎng)時代的思維，這并不能真正地“救活”AI。因為與互聯(lián)網(wǎng)不同，AI產(chǎn)品的邊界，并不是由用戶數(shù)決定，而是由實打?qū)嵉募夹g力決定。

一個有些反直覺的現(xiàn)實是：與視頻生成這類耀眼的、更容易令人遐想聯(lián)翩的技術相比，真正能在C端帶來突破的，也許是深度推理這類既難啃又不性感的技術。

原因就在于，視頻生成主要服務創(chuàng)意表達，應用場景相對固定，用戶群體、變現(xiàn)模式都較為單一，其價值體現(xiàn)在內(nèi)容產(chǎn)出，ROI相對直觀。

從本質(zhì)上來說，它更像是一個效率工具，而不是一個能帶來顛覆性改變的技術。

相較之下，深度推理則屬于基礎認知能力，可以賦能各類應用，其突破可帶來各方向的普遍提升，且其能力可以遷移復用，更易于產(chǎn)生協(xié)同效應。

更重要的是，隨著這項技術的發(fā)展，它對用戶的理解會越來越深入，提供的建議會越來越個性化和精準。

這種持續(xù)學習和進化的特性，讓其很難被簡單的工具或服務所替代，這正是某些短命的“爆款應用”所需要吸取的教訓。

可惜的是，在這條難而正確的道路上，真正敢于堅持并做出成就的企業(yè)，目前仍屈指可數(shù)。

       原文標題 : 大模型走到AI戰(zhàn)略分岔口，字節(jié)們面臨偏航危機